AI 越强，越会顺着你说
有位读者给一个「挖掘隐藏天赋」的提示词留了条差评，理由很诚实：实测没啥用，它只是把我的观点强化了一遍。这条差评比大多数好评都有价值——它戳中的是 AI 时代最隐蔽的风险：模型越强，越会讨好你。这篇讲清它为什么会这样、在投资里为什么格外贵，以及三个马上能用的对抗提问词。对抗的招数不是大橘子发明的，它只是把学术界的共识翻译成了人话。
一、先承认：讨好是 AI 的本职工作之一
大模型是这样训练出来的：人类标注员对 AI 的海量回答打分，受欢迎的回答得高分，模型照着「怎么得高分」优化自己。问题就出在这——人类天然给「顺耳的回答」打高分。你说看多，它帮你找理由，你舒坦，它得分；你说被套了想拿住，它帮你合理化，你安慰，它得分。几万亿字的训练下来，「顺着用户说」被写进了模型的骨子里。
这个现象在业界有个正式的名字：sycophancy，谄媚性。Anthropic 等模型厂商的研究都确认过它的存在，而且方向不太乐观：模型越强，讨好越严重（表现程度随模型版本变化，读这篇文章时的最新模型什么样，以你手头的实测为准）。因为更强的模型更擅长猜「你想要听什么」——早期的 AI 讨好得很笨拙，一眼就能看穿；现在的 AI 会先给你一段不偏不倚的场面话，再「但是」一下，悄悄滑回你的立场。它不是在骗你，它是在让你舒服，而这两件事在投资里的下场是一样的。
二、在投资里，讨好为什么格外贵
问 AI「帮我写首诗」，讨好的代价是诗平庸；问 AI「我该不该加仓」，讨好的代价是真金白银。具体贵在三个地方：
- 把你送上愚昧之巅。你带着半成品想法去问，它还你十条支持理由，每条都像那么回事——你的把握瞬间从 50% 膨胀到 90%，但支撑它的证据一条也没增加。信心和证据脱钩了，这在任何领域都危险，在加杠杆的领域尤其危险。
- 污染你的决策链。好的决策流程里必须有「谁反对」这一环。被讨好的分析里没有反方：没有翻脸条件，没有「什么信号出现说明我错了」，于是你永远不知道自己错在哪儿——直到市场替你指出。
- 把偏见放大成分析。你偏好高股息，它就论证高股息好；你怕回撤，它就论证防守万岁。每一次对话都在给你的既有偏见盖个「经 AI 论证」的章，聊得越多越坚信——这不是研究，是昂贵的回音室。
三、三个自检信号：它是在分析，还是在迎合
拿到一份很顺耳的 AI 分析，先过三个信号：
- 信号一：它有没有把你的立场当论据。把结论逐句拆开：哪些话带着数据和逻辑（「2024 年经营现金流是净利润的 1.3 倍，说明利润有现金支撑」），哪些话只是在复述你（「正如你所说，这家公司被低估了」）。后者占比越高，讨好浓度越高。
- 信号二：它给不给翻脸条件。一份诚实的分析一定附带「什么情况出现，这个结论就不成立」。全程报喜、没有任何可证伪条件的分析，无论读起来多专业，都按讨好处理。
- 信号三：它引的数据能不能溯源。讨好的分析爱用「数据显示」「业内普遍认为」这类模糊来源。真数据敢于报出处——公司公告、监管披露、行业统计，查得到的才算数。
早前一篇《别再把 AI 当搜索引擎：投资提问的三个层次》的第三层「问反面」，就是用提问方式预防讨好。但预防不够——讨好还会藏在 AI 主动给出的结论里。所以这篇给对抗用的提问词。
四、对抗三件套：三个可以直接复制的提问词
第一个，立场反转。最简单也最有效：让 AI 站到你对立面，用尽全力攻击你的想法。反方一出场，讨好就没地方站了。
提问词 ① · 立场反转
请扮演一名以挑剔著称的空头研究员。你的唯一任务是攻击下面这个想法，找出它站不住的地方。纪律条款全程有效：禁止附和，从质疑开始；禁止「机遇与风险并存」式的两边讨好；没有把握的明确标注「待查证」，禁止编造；全程不给出任何买卖建议。 我的想法：「【把你的想法原样贴进来】」 请输出：1. 五条「一旦出现就说明我错了」的事实或信号，每条注明去哪里查证；2. 这个想法最依赖哪个假设，它有多脆弱；3. 谁是这个判断的反方，他们可能知道什么我不知道的。
第二个，结论验收。用在 AI 已经给了你一份结论之后：把结论原样贴回去，让它自己查自己——是行业里说的对抗性审查，换个更直白的说法：让另一个 AI 当质检员。
提问词 ② · 结论验收（顺从检测）
请扮演一名专门审计 AI 结论的质检员。下面是一段别的 AI 对话给我的结论，你的唯一任务是检验它是有理有据，还是顺着我说给我听的。纪律条款：禁止夸这段结论「写得不错」，它是在接受审查；证据优先，没有把握的标注「待查证」；全程不给出任何买卖建议。 待过检的结论：「【把 AI 的结论原样贴进来】」 请输出：1. 顺从检测——把结论逐句拆开，标注「有依据链 / 断言 / 顺从（复述我的立场）」，统计三类占比；2. 它回避了哪三个本该回答的问题；3. 三栏总结：可信（附依据）／存疑（附所缺信息）／必须查证清单（附渠道）。
第三个，置信度先行。讨好之所以容易得手，是因为「我觉得它被低估了」这种模糊态度根本没法被反驳。先把把握变成数字再说事——一个敢写「我有 65% 把握」的人，AI 很难糊弄。
提问词 ③ · 置信度校准
请扮演一名用概率说话的风控教练，带我把「感觉」变成「概率」。纪律条款：禁止顺着我的判断抬高置信度，你的任务是校准不是鼓励；必须给出明确数字，不许用「涨跌皆有可能」收场；证据优先，禁止编造；全程不给出任何买卖建议。 我的情况：判断是「【你的判断】」，我当前的置信度是【如 70%】，依据是【一句话】；最近的新证据是「【一条新闻、公告或数据，没有就写暂无】」。 请输出：1. 我的先验相比一个做过功课的旁观者是偏高还是偏低；2. 这条新证据更常出现在「我对了」还是「我错了」的世界里；3. 更新后的置信度（一个数字 ±5% 区间）和理由；4. 什么信号一旦出现我就该大幅改变看法。
五、AI 越强，人的判断力越值钱
有个反直觉的事实：AI 越弱的时代，用户越容易被逼着自己在心里把问题想清楚，因为 AI 靠不住；AI 越强的时代，顺从的对话太舒服了，人反而容易把思考整个外包出去。所以模型能力的每一次跃升，都在变相提高「独立判断」的稀缺程度。
顺从的 AI 其实是面镜子：它原样映出你的立场，你带着偏见进去，就带着加强版偏见出来。对抗它的办法不玄乎——把「谁反对」「什么情况算我错」「我有几成把握」这三问，变成每次提问的固定动作。工具可以帮你把动作固化，但镜子照出来的终究是你自己：你怎么问，决定了 AI 是你的研究助理，还是你的回音壁。
反方意见室
本文提问词①②的完整版：建仓、加仓、扛亏损、想卖出等场景的「不许附和」提问包，外加「AI 结论验收」顺从检测，填上你的情况即用。
生成提问包 →贝叶斯决策室
本文提问词③的完整版：写下判断和把握，让 AI 校准你的置信度；还能把判断存进本地决策日志，过段时间回看先验和后验的差距。
校准置信度 →AI 投研提示词库 · 免费课
「事实核查」「双向钢人」等一批防顺从的研究提问词，按提问、研究、决策、风险复盘分章组织，复制即用。
去上课 →愿你身边的 AI，下次敢对你说「你错了」。
你的 AI 说过最讨好你的一句话是什么？到公众号『大橘子事务所』留言说一声。